本文发布于加密谷Live，作者：MichelKana，翻译：Jeremy。
这份实用指南提供了你预测加密货币价格飞速上涨所需的基础知识。
十五年前，我开始探索数字货币的世界，并为一个只使用短信的点对点移动货币平台做了原型。
最近，我的一位合作者问我，人工智能是否可以预测加密货币的价格。她对区块链的炒作很好奇。
经过研究，我发现预测加密货币价格是一个可以解决的问题，但绝对不是针对所有市场条件。
加密资产的典型预测模型将利用时间序列预测、机器学习或深度学习方法。
在本文中，我研究了在预测给定日期的Litecoin平均价格时，片断插值的表现如何。
去中心化机器学习协议ChainML获IOSG Ventures领投400万美元:金色财经报道，由经验丰富的技术高管和机器学习专家创建的全球初创公司ChainML宣布筹集400万美元的种子资金，该公司正在为去中心化机器学习和Web3中相关复杂数据驱动计算构建防篡改、可扩展协议。本轮融资由IOSG Ventures领投，HashKey、SNZ、硅谷高管和天使投资者参与。
ChainML计划利用本轮融资创建其ChainML协议的第一个迭代，简化智能合约、dapp和钱包中AI和机器学习模型的使用。（the block）[2022/9/28 5:55:46]
数据
我们将关注2013年4月至2021年2月期间Litecoin的历史价格。这些数据取自coinmarketcap，并且是可以免费使用的。我将数据分为80%的训练数据集和20%的测试数据集。后者用于评估我们预测收盘价的准确性。
狗狗币创始人：加密垃圾邮件机器人已叫停:10月1日消息，狗狗币创始人Billy Markus再次使用Twitter，他表示，注意到垃圾邮件机器人的数量减少了，并想知道Twitter是否已采取任何措施来解决这个问题。Boardroom Capital的创始人表示，“加密货币下降得如此糟糕，甚至机器人都退出了”。
此前报道，加密社区用户Pranay Pathole向Elon Musk提出，需要解决推特上加密垃圾邮件机器人的问题，因为这些机器人程序真的很烦人并建议改进推特验证系统。Elon Musk对此表示，的确如此，这也是他个人觉得Twitter上最烦人的一个问题。[2022/10/1 22:44:03]
加密货币Litecoin的价格历史(Source:Kaggle)
微软：不法分子利用Kubernetes机器工具包挖掘加密货币:微软表示，已发现一些Kubernetes集群感染了加密货币代码，这些代码通过Kubeflow机器学习工具包注入到系统中。据悉，Kubeflow是一个在Kubernetes上运行TensorFlow模型的框架。对于那些希望挖掘加密货币的不法分子，它是一个很好的目标，因为它通常运行在具有大量计算资源（包括GPU加速）的群集中。(theregister)[2020/6/15]
短暂的探索性数据分析显示，平均收盘价在年初和年末是最高的。10月份最低。
多项式回归
你可能听说过多项式回归，这可以说是创建一个阶数为d的基础来近似一个非线性函数的最简单例子。
雄安新区推出基于区块链技术的智慧垃圾收集样机器:经济参考报讯，近日，记者发现雄安新区市民服务中心新添了数十台用了LED屏和二维码以及区块链技术应用的智慧垃圾收集器样机。
据悉，市民可通过下载APP，在通过扫码后进行垃圾分类倾倒，该垃圾箱内置系统可以根据垃圾种类和重量，给予垃圾投递者积分奖励，所有积分则可以通过未来遍布新区的服务体系用来兑换生活用品等。通过后台数据处理，实时将垃圾位置和承载量发送给垃圾运输公司，提高垃圾从公民到处理机构的效率。[2018/5/21]
我对Litecoin的历史价格进行了简单的多项式回归，使用5、25和80的阶数。在每种情况下，R2值将提供一些关于模型在测试数据集上的拟合度好坏的信息。
从下面的蓝线与训练数据的拟合度来看，我们可以观察到随着多项式阶数的增加，曲线越来越陡峭。这是由于模型复杂性增加，因为高阶多项式试图追逐训练集中的每一个单一数据点。
第0天代表2013年4月30日，第2800天代表2021年2月28日。
特别是在有离群值的区域，高阶多项式往往会向这些离群值的方向发展。因此，80阶多项式的模型具有最高的方差。
它在训练数据上的偏差也是最低的，这体现在最高的R2值上，相比之下，低阶多项式的R2更低，意味着更高的偏差但更低的方差。低阶多项式对训练数据的敏感性较低。
分片插值
我发现一个更灵活的方法是使用片断多项式来预测加密货币价格。
分片插值用低阶多项式拟合大量的数据点。由于我们只使用低阶多项式，我们消除了过度的振荡和非收敛性。
给定一组数据点，分片插值的工作原理是在每一部分数据中使用不同的多项式。
特别是，我们使用连接的分片多项式，也称为样条。
样条的一个例子是下面的截断线性函数。它在4的左边是平的，称为函数的结。
给定几个结点，我们可以将多个线性基函数组合起来，并将其拟合到非线性数据中。
为了检测加密货币价格中存在的高度曲线关系，我使用了一个截断的三次函数，也叫三次样条。
使用三次样条，我们将数据分割成块，并对每个块拟合一个三次样条。每个样条函数在结点处连接到下一个函数。
三次样条是加密货币价格变化的一个非常好的选择，因为连接是平滑的。三次样条的斜率和它们的第一和第二导数都是匹配的。三次样条是3阶的多项式函数，它仍然足够小，以避免差异性。
三次B-样条是三次样条的一个更容易的变体，用于高效计算，因为最多有5个基函数参与贡献插值。下面我们可以看到三次B-样条在Litecoin价格上的表现，将结点放在四分位数上之后。
通过手动选择结点，即在我们有一堆数据点的情况下，与根据四分位数放置结点时的值相比，我们在测试数据集上实现了更好的R2。
在边界附近的三次样条可能表现得很奇怪，你能够在上面的红色图中注意到。所谓的自然三次样条通过在每个极限处将一个三次多项式改为线性来强制要求函数在极限结点之外是线性的。
自然三次样条需要选择一个自由度。对于Litecoin的价格，我通过交叉验证找到了最佳自由度：挑选了合适的174个结点的量子作为预测器的日期。结果与三次B-样条相比，边缘的差异性更小，但测试数据集的R2略差。
最后，我实现了平滑样条，在惩罚价格变化的同时，使均方误差最小化。
平滑样条似乎是Litecoin价格最合适的分片插值。该模型在测试数据集上实现了迄今为止获得的最佳R2值。
三次样条模型令人兴奋的部分是如何超越用于训练模型的数据范围进行推断。
根据以预测和时间序列工作而闻名的著名统计学家RobJhyndman的说法，三次平滑样条模型在预测方面可以作为与ARIMA模型等效的模型，但其参数空间受到限制。Rob声称，样条模型提供了一个平滑的历史趋势以及线性预测函数。
我邀请你进一步试验这个想法。我的计算机代码可以在网上以JupyterPython/RNotebook形式查看。
本文中使用的GoogleColabNotebook
数字货币和加密货币，如Litecoin，是现代全球经济中最具争议和最复杂的技术创新。本文旨在使用一种不太流行的方法：三次样条来预测Litecoin价格的变化。
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。